人工智能平台 Hugging Face 聯合創辦人兼行政總裁 Clem Delangue 日前在 Axios 活動上表示，市場目前面臨的並非廣泛人工智能泡沫，而是過度投資於大型語言模型（LLM）的現象，並預測泡沫或於 2026 年爆破。Clem Delangue 強調大型語言模型只是人工智能其中一個分支，其他領域如生物學、化學、圖像、音訊及影片的人工智能應用仍處於發展初期，未來數年將有更大突破。
Clem Delangue 指出企業開始轉投更細小、更專門化的模型，因為這些模型在成本、速度及準確度上都優於通用型大型語言模型。Hugging Face 目前仍保留已籌集 4 億美元（約港幣 31.2 億元）資金的一半，採取審慎資本運用策略，與其他人工智能公司動輒燒錢數十億美元的做法形成強烈對比。
大型語言模型投資過熱 回報率成疑
目前人工智能行業投資規模已達史無前例水平，根據史丹福大學研究數據，2024 年全球企業對人工智能投資達 2,523 億美元（約港幣 1.97 兆元），其中生成式人工智能資金暴增至 339 億美元（約港幣 2,644 億元），比 2023 年增長 18.7%，是 2022 年水平 8.5 倍以上。Amazon、Meta、Microsoft、Google 及 Oracle 等科技巨頭在 2024 年資本開支達 2,410 億美元（約港幣 1.88 兆元），佔美國國內生產總值 0.82%，而 2025 年第二季度相關開支已達 970 億美元（約港幣 7,566 億元），相當於當季美國國內生產總值 1.28%。
麻省理工學院 2025 年 8 月發表的報告指出，企業在生成式人工智能上投資 300 至 400 億美元（約港幣 2,340 至 3,120 億元），但 95% 機構目前幾無獲得任何投資回報。OpenAI 預計 2025 年收入將達 130 億美元（約港幣 1,014 億元），惟公司每年仍虧損數十億美元。該公司與 Oracle 簽訂 5 年 3,000 億美元（約港幣 2.34 兆元）運算能力合約，平均每年支出達 600 億美元（約港幣 4,680 億元）。
專門化細型模型崛起 企業採用率急升
Delangue 指出大型語言模型並非所有問題的解決方案，市場將見證更多專門化及客製化模型出現。他以銀行客戶服務聊天機械人為例：「你不需要它告訴你生命的意義，對吧？你可以使用更細小、更專門化模型，成本更低、速度更快，而且可以在企業自己的基礎設施上運行，我認為這就是人工智能的未來。」
市場數據證實專門化細型語言模型（SLM）正快速獲企業採納，這類模型參數通常少於 300 億，相比大型語言模型動輒數千億參數，細型模型在特定任務表現往往更出色。Gartner 2025 年人工智能採用調查顯示，68% 部署細型語言模型的企業報告指模型準確度提升，投資回報率亦較使用通用模型企業更快實現。
企業選擇細型語言模型原因包括成本效益、運算需求較低、能源消耗減少、訓練時間更短、回應速度更快，以及可在本地裝置上運行，減少數據外洩風險。Microsoft 最新推出的 Phi-4 細型語言模型只有 38 億參數，但在數學推理及自然語言處理表現已超越多個更大型模型。IBM 的 Granite 模型專門為金融及法律應用而設計，因完全公開訓練數據集，特別適合受監管行業使用。
企業應用策略 從通用轉向專精
對企業而言，細型語言模型最大優勢在於可針對特定業務需求進行客製化。金融機構可使用專門模型處理發票及採購訂單，減少重複性數據輸入工作並提高準確度。醫療保健及金融科技等高度監管行業，企業不願將敏感數據傳送至雲端，細型語言模型能夠在本地運行，符合數據私隱及安全要求。
史丹福大學及 MLSys 研究顯示，使用精簡架構配合針對特定任務訓練，可將推理成本降低 50% 至 90%，而準確度並無明顯下降。企業採用人工智能策略正在轉變，從最初使用通用大型語言模型建立原型，收集數據後轉為微調專門化模型，每次迭代都能提升表現。此方法大幅降低進入門檻，同時避免大型語言模型在生產環境的高昂成本。
Red Hat 在歐洲進行調查發現，為人工智能部署做準備已成為今年雲端增長三大驅動力之一。Hugging Face 平台上細型語言模型下載量持續上升，企業用戶對能夠與私有數據集整合、降低第三方風險並確保符合行業監管要求的模型需求殷切。Meta 的開放模型已被下載逾 4 億次，使用率比去年高出 10 倍，2024 年 5 月至 7 月期間使用量更增倍。
謹慎資本運用 長遠策略取勝
Hugging Face 財務策略與業界主流做法截然不同，Clem Delangue 表示：「以人工智能標準而言，這叫做具盈利能力，因為其他公司花的不是數億美元，而是明顯的數十億美元。」公司仍保留一半已籌資金，反映其採取資本效益優先的長遠策略。
Clem Delangue 擁有 15 年人工智能經驗，見證過多個行業週期。他認為許多企業目前正「倉促行事，甚至可能處於恐慌中，採取非常短期做法」。Hugging Face 目標是建立一家對世界有長遠、可持續及深遠影響的公司，從過往經驗中學習，避免重蹈覆轍。
未來展望 多元模型並存時代
Clem Delangue 承認大型語言模型泡沫爆破可能對 Hugging Face 造成一定影響，但他強調人工智能行業規模龐大且已充分多元化，即使部分領域如大型語言模型出現估值過高，也不會對整個人工智能領域或其業務造成嚴重衝擊。
未來人工智能發展將朝向多元化模型並存方向，大型語言模型在開放式推理及創意任務上仍有價值，但細型專門化模型將成為企業尋求實用、可擴展及高效能人工智能解決方案的首選。McKinsey 估計人工智能潛在年度經濟影響達 2.6 兆至 4.4 兆美元（約港幣 20.28 兆至 34.32 兆元），涵蓋銷售、軟件工程及客戶營運等範疇。Gartner 預測超過 80% 機構將使用生成式人工智能。
行業專家認為未來真正價值將來自規模適中、建構於精心設計系統中的模型。投資者及企業若將大型語言模型視為眾多工具之一，而非唯一選擇，人工智能發展軌跡將持續向上。雖然目前最泡沫化領域可能出現調整，整體行業前景依然樂觀。企業需要在創新與風險管理之間取得平衡，採用能夠監控及改善準確度與透明度的有限用例模型，將更容易獲得成功。
來源：Axios
